基于长短时记忆网络的洞庭湖水位预测以及三峡工程对洞庭湖水位的影响研究  

Water level forecast of Dongting Lake based on a long short-term memory network and the study of the impact of the Three Gorges Project on the water level of Dongting Lake

作　　者：梁晨 LIANG Chen(Beijing Institute of Surveying and Mapping,Beijing 100038,China;Beijing Key Laboratory of Urban Spatial Information Enginnering,Beijing 100038,China)

机构地区：[1]北京市测绘设计研究院,北京100038 [2]城市空间信息工程北京市重点实验室,北京100038

出　　处：《北京测绘》2023年第6期F0003-F0003,共1页Beijing Surveying and Mapping

摘　　要：地理学研究人类赖以生存的地理环境,包括大气、水等自然资源。多年来,地理学家们致力于研究自然系统随时间的波动情况,分析自然过程和格局随时间的变化规律,以期预测地理过程的变化结果,分析人类活动对自然环境的影响。基于数据特征的方法有很多,但不乏非线性数据处理效果差和难以驾驭大数据量等问题,本文引入了深度学习方法,使用长短时记忆网络构建了洞庭湖水位预测模型,对日均洞庭湖水位预测取得了优异的效果,并应用此模型研究了三峡工程对洞庭湖水位的影响。主要创新点如下:(1)对于有连续缺失的周期性时间序列数据(连续缺失数据个数在5个以上),使用之前学者提出的多点三次样条插值法和周期性填补法进行数据插补时发现:多点三次样条插值法会使插值数据剧烈波动,从而导致不切实际的插值结果,而周期性填补法没有考虑插补区段端点的连续性,从而导致悬崖式突变。将这两种方法的思想融合,提出了基于周期性的骨架点三次样条插补法,同时引入了时间序列相似性的比较,并对加权平均计算插补值的权重确定方法做出改进,改进后的方法既充分利用了时间序列的周期性特征,又保证了插补数据的连续性,提高了插补结果的置信度。(2)将深度学习方法应用于洞庭湖水位预测,基于长短时记忆网络构建了洞庭湖水位预测模型。该模型创新性地融合了多元变量回归与时间序列的思想,既建立了洞庭湖水位与其相关影响因素的关系,又保证了水位变量在不同时刻之间传递的连续性,更蕴含了未来时刻的水位变化对历史水情状况的依赖性,因此具有更好的水位预测效果。更进一步,该模型可灵活改变输入与输出模式,从而可对洞庭湖水位进行连续任意多天的预测,突破了传统回归预测模型只能有一个输出值的局限。另外,在对多日水位预测的�

关 键 词：深度学习 长短时记忆网络 缺失数据处理 洞庭湖水位预测 三峡工程 

分 类 号：P208[天文地球—地图制图学与地理信息工程]